Prevenção do cancelamento de licença de uso em uma empresa de Software as a Service a partir de modelos analíticos

Abstract

Altos índices de cancelamento de empresas de Software as a Service (SaaS) implicam em redução da receita total, dada a diminuição da receita recorrente mensal. Dessa forma, o presente trabalho tem como objetivo propor ações que ajudem a prevenção do cancelamento de licenças de uso de software em uma empresa de tecnologia com o auxílio de modelos baseados em dados. Para tal, foi realizado um estudo na literatura dos fatores relacionados ao cancelamento de licenças de uso de software e de estratégias para prevenção deste fenômeno. Foram utilizados dados de três diferentes bases, que foram trabalhadas para a seleção das melhores variáveis de entrada. Foram aplicados quatro diferentes modelos: Regressão Logística, Randon Forest, Support Vector Machine e XGBoost que foram comparados quanto à acurácia, precisão, sensibilidade, F-score e área sob a curva ROC para definição de qual método obtém um melhor resultado. Como resultado, baseando-se na revisão de literatura existente, e na resposta do modelo XGBoost apresentou melhores resultados com uma acurácia de 83,08% e uma área sob a curva ROC de 81,45%, foi possível propor seis diferentes ações: i. Implantação de uma equipe de sucesso do cliente personalizada para clientes propensos ao cancelamento, ii. Criação de um programa de valorização de clientes fiéis à marca, iii. Plano de melhoria de usabilidade dos clientes menos satisfeitos, iv. Plano de aumento de base de dados, v. Plano de correção da base de dados na fonte e vi. Melhoria do modelo com criação de novas variáveis.

High cancellation rates for Software as a Service (SaaS) companies imply a reduction in total revenue, due to a decrease in monthly recurring revenue. Therefore, this work seeks to propose actions that help prevent the cancellation of software use licenses in a technology company with the help of data-based models. A literature review was carried out in order to find factors related to the cancellation of software licenses and strategies to prevent this phenomenon. Data from three different databases were used, in which were selected the best input variables. Four different models were applied: Logistic Regression, Randon Forest, Support Vector Machine and XGBoost, which were compared regarding accuracy, precision, sensitivity, F-score and area under the ROC curve to define which method obtains a better result. As a result, based on the existing literature review, and the response of the XGBoost model, it presented better results with an accuracy of 83.08% and an area under the ROC curve of 81.45%, it was possible to propose six different actions :i. Deploying a customized customer success team for churn-prone customers, ii. Creation of a program to value customers loyal to the brand, iii. Usability improvement plan for less satisfied customers, iv. Database Augmentation Plan, v. Database correction plan at source and vi. Improvement of the model with the creation of new variables.